4 Möjlighet att påverka

Code

library(foreign)
library(readxl)
library(RISEkbmRasch) # devtools::install_github("pgmj/RISEkbmRasch")
library(grateful) # devtools::install_github("Pakillo/grateful")
library(ggrepel)
library(car)
library(kableExtra)
library(readxl)
library(tidyverse)
library(eRm)
library(mirt)
library(psych)
library(ggplot2)
library(psychotree)
library(matrixStats)
library(reshape)
library(knitr)
library(cowplot)
library(formattable) 
library(glue)
library(hexbin)
library(skimr)


### some commands exist in multiple packages, here we define preferred ones that are frequently used
select <- dplyr::select
count <- dplyr::count
recode <- car::recode
rename <- dplyr::rename

# file paths will need to have "../" added at the beginning to be able to render document

# get itemlabels
itemlabels <- read_excel("../data/Itemlabels.xlsx") %>% 
  filter(str_detect(itemnr, pattern = "mp")) %>% 
  select(!Dimension)

spssDatafil <- "../data/2023-04-26 Prevent OSA-enkat.sav"

# read SurveyMonkey data
df <- read.spss(spssDatafil, to.data.frame = TRUE) %>% 
  select(starts_with("q0007"),q0001,q0002,q0003,q0004) %>% 
  rename(Kön = q0002,
         Ålder = q0001,
         Bransch = q0003,
         Hemarbete = q0004)



# SPSS format provides itemlabels too, we can save them in a dataframe
spssLabels <- df %>% attr('variable.labels') %>% as.data.frame()

dif.kön <- df$Kön
dif.ålder <- df$Ålder
dif.bransch <- df$Bransch
dif.hemarbete <- df$Hemarbete

df <- df %>% 
  select(starts_with("q0007"))

names(df) <- itemlabels$itemnr

4.1 Items

Code

itemlabels %>% 
  kbl_rise(width = 60)

itemnr	item
mp1	Jag har de resurser som behövs för att kunna utföra mina arbetsuppgifter.
mp2	Jag kan prioritera i vilken ordning mina arbetsuppgifter ska utföras.
mp3	Jag har tillräckligt med befogenheter för att kunna utföra mina arbetsuppgifter.
mp4	Jag kan påverka beslut som rör mina arbetsuppgifter.
mp5	Jag kan själv bestämma min arbetstakt.

4.2 Bakgrundsdata

Kön

Code

RIdemographics(dif.kön,"Kön")

Kön	n	Percent
Kvinna	402	69.7
Man	172	29.8
Annat	1	0.2
Vill ej uppge	2	0.3

Ålder

Code

RIdemographics(dif.ålder,"Ålder") # kanske även fixa en figur?

Ålder	n	Percent
18-29	22	3.8
30-39	103	17.8
40-49	175	30.2
50-59	215	37.1
60+	64	11.1

Bransch

Code

RIdemographics(dif.bransch,"Bransch")

Bransch	n	Percent
Kontorsarbete (oavsett bransch)	284	49.1
Industri	26	4.5
Hotell, restaurang, service	8	1.4
Handel	16	2.8
Skola, utbildning	67	11.6
Vård, omsorg	99	17.1
Byggverksamhet	7	1.2
Annat	71	12.3

Arbete hemifrån

Code

RIdemographics(dif.hemarbete,"Antal dagar med arbete hemifrån")

Antal dagar med arbete hemifrån	n	Percent
En dag	136	23.5
Två dagar	105	18.1
Tre dagar	35	6.0
Fyra dagar	10	1.7
Fem dagar	2	0.3
Jag arbetar aldrig eller sällan hemifrån	291	50.3

4.2.1 Svarsbortfall items

Vi filtrerar bort respondenter som har färre än två svar på frågorna i delskalan.

Code

# If you want to include participants with missing data, input the minimum number of items responses that a participant should have to be included in the analysis:
min.responses <- 2
scale.items <- itemlabels$itemnr

# Select the variables we will work with, and filter out respondents with a lot of missing data
df.omit.na <- df %>% 
  filter(length(scale.items)-rowSums(is.na(.[scale.items])) >= min.responses)

RImissing(df.omit.na,"mp")

Vi har extremt få saknade svar, och tar därför bort respondenter som inte har kompletta svar.

Code

df <- read.spss(spssDatafil, to.data.frame = TRUE) %>% 
  select(starts_with("q0007"),q0001,q0002,q0003,q0004) %>% 
  rename(Kön = q0002,
         Ålder = q0001,
         Bransch = q0003,
         Hemarbete = q0004) %>% 
  na.omit()

dif.kön <- df$Kön
dif.ålder <- df$Ålder
dif.bransch <- df$Bransch
dif.hemarbete <- df$Hemarbete

df <- df %>% 
  select(starts_with("q0007"))

names(df) <- itemlabels$itemnr

df.omit.na <- df

4.2.2 Alla svar för alla frågor

Code

RIallresp(df.omit.na)

Response category	Number of responses	Percent
Alltid	542	21.6
Mycket ofta	1011	40.3
Ganska ofta	588	23.4
Ibland	241	9.6
Sällan	106	4.2
Aldrig	22	0.9

Code

# koda om svarskategorier till siffror
df.omit.na <- df.omit.na %>% 
  mutate(across(everything(), ~ car::recode(.x,"'Aldrig'=0;
                                            'Sällan' =1;
                                            'Ibland'=2;
                                            'Ganska ofta'=3;
                                            'Mycket ofta'=4;
                                            'Alltid'=5",
                                            as.factor = FALSE)))

4.2.3 Descriptives - all items

Tile plot

Code

RItileplot(df.omit.na)

Stacked bars

Code

RIbarstack(df.omit.na) + ylab("Item")

Barplots

Code

RIbarplot(df.omit.na)

Vi har väldigt få svar i lägsta svarskategorierna, speciellt för item mp1 och mp3. Vi slår därför ihop de två lägsta svarskategorierna för mp1 och mp3.

Code

df.omit.na$mp1<-recode(df.omit.na$mp1,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)
df.omit.na$mp3<-recode(df.omit.na$mp3,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)

4.3 Rasch-analys 1

itemnr	item
mp1	Jag har de resurser som behövs för att kunna utföra mina arbetsuppgifter.
mp2	Jag kan prioritera i vilken ordning mina arbetsuppgifter ska utföras.
mp3	Jag har tillräckligt med befogenheter för att kunna utföra mina arbetsuppgifter.
mp4	Jag kan påverka beslut som rör mina arbetsuppgifter.
mp5	Jag kan själv bestämma min arbetstakt.

Item fit

Code

RIitemfitPCM2(df.omit.na, samplesize = 250, nsamples = 32, cpu = 8)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
mp1	0.925	0.884	-0.698	-1.079
mp2	0.842	0.819	-1.683	-1.961
mp3	0.817	0.84	-1.88	-1.709
mp4	0.691	0.696	-3.581	-3.377
mp5	0.824	0.822	-2.019	-2.032

PCA

Code

RIpcmPCA(na.omit(df.omit.na))

PCA of Rasch model residuals

Eigenvalues
1.71
1.27
1.21
0.81
0.00

Residual correlations

Code

RIresidcorr(df.omit.na, cutoff = 0.2)

	mp1	mp2	mp3	mp4	mp5
mp1
mp2	-0.17
mp3	-0.23	-0.21
mp4	-0.32	-0.35	0.12
mp5	-0.15	-0.1	-0.48	-0.23
Note:
Relative cut-off value (highlighted in red) is -0.012, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df.omit.na)

Analysis of response categories

Code

RIitemCats(df.omit.na, items = "all")

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df.omit.na, xlim = c(-5,5))

Item hierarchy

Code

RIitemHierarchy(df.omit.na)

Det finns en residualkorrelation mellan mp3 och mp4 långt över det rekommenderade tröskelvärdet. Eftersom mp4 visar låg item fit exkluderas detta item från fortsatta analyser.

Det finns problem med oordnade svarskategorier. Vi slår samman de två lägsta svarskategorierna (T1 och T2 i targeting-figuren) för item 2 och de två näst lägsta (T2 och T3) för item 5.

Code

# create vector with eliminated items
removed_items <- c("mp4")

df.omit.na$mp2<-recode(df.omit.na$mp2,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)
df.omit.na$mp5<-recode(df.omit.na$mp5,"2=1;3=2;4=3;5=4",as.factor=FALSE)

# select all items except those removed
df2 <- df.omit.na %>%
  select(!any_of(removed_items))

4.3.1 Analysis of response categories

Code

RIitemCats(df2, items = "all")

4.4 Rasch-analys 2

itemnr	item
mp1	Jag har de resurser som behövs för att kunna utföra mina arbetsuppgifter.
mp2	Jag kan prioritera i vilken ordning mina arbetsuppgifter ska utföras.
mp3	Jag har tillräckligt med befogenheter för att kunna utföra mina arbetsuppgifter.
mp5	Jag kan själv bestämma min arbetstakt.

Item fit

Code

RIitemfitPCM(df2, samplesize = 250, nsamples = 32)

	OutfitMSQ	InfitMSQ	OutfitZSTD	InfitZSTD
mp1	0.792	0.756	-2.42	-2.948
mp2	0.718	0.71	-3.268	-3.282
mp3	0.903	0.887	-0.999	-1.202
mp5	0.725	0.707	-3.384	-3.669

PCA

Code

RIpcmPCA(na.omit(df2))

PCA of Rasch model residuals

Eigenvalues
1.45
1.39
1.15
0.01

Residual correlations

Code

RIresidcorr(df2, cutoff = 0.2)

	mp1	mp2	mp3	mp5
mp1
mp2	-0.32
mp3	-0.28	-0.26
mp5	-0.19	-0.14	-0.39
Note:
Relative cut-off value (highlighted in red) is -0.064, which is 0.2 above the average correlation.

1st contrast loadings

Code

RIloadLoc(df2)

Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df2)

Item hierarchy

Code

RIitemHierarchy(df2)

4.4.1 Targeting

Code

# increase fig-height above as needed, if you have many items
RItargeting(df2)

Figur 4.1: Targeting för området Möjlighet att påverka

Det finns inte längre något problem med residualkorrelationer. Flera items (mp1, mp2 och mp5) har något låg ZSTD item, medan MSQ ser ok ut. Vi går vidare och undersöker DIF och reliabilitet.

4.5 DIF-analysis

En DIF-analys bör inte inkludera svarskategorier med för få svar. Därför har svarskategorier med färre än 50 svar antingen exkluderas eller slagits ihop med andra svarskategorier (se avsnittet om bakgrundsdata för exakt antal svar per ordinarie kategori). DIF-variablerna omkodades till att innehålla följande kategorier:

• Kön: man, kvinna
• Ålder: 30-39, 40-49, 50-59, 60+
• Bransch: kontorsarbete, ej kontorsarbete
• Hemarbete: aldrig eller sällan, en dag, minst två dagar

Koden nedan specificerar exakt hur omkodningen gick till.

Code

# Omkodning för kön
dif.kön <- recode(dif.kön,"'Annat'=NA;'Vill ej uppge'=NA")

# Omkodning för ålder
dif.ålder <- recode(dif.ålder,"'18-29'=NA")

# Omkodning för bransch
dif.bransch <- recode(dif.bransch,"'Industri'='Ej kontorsarbete';'Hotell, restaurang, service'='Ej kontorsarbete';'Handel'='Ej kontorsarbete';'Skola, utbildning'='Ej kontorsarbete';'Vård, omsorg'='Ej kontorsarbete';'Byggverksamhet'='Ej kontorsarbete';'Annat'='Ej kontorsarbete'")

#Omkodning för hemarbete
dif.hemarbete <- recode(dif.hemarbete,"'Fem dagar'='Minst två dagar';'Fyra dagar'='Minst två dagar';'Tre dagar'='Minst två dagar';'Två dagar'='Minst två dagar'")

Gender

Code

RIdifTable(df2, dif.kön)

[1] "No significant DIF found."

Age

Code

RIdifTable(df2, dif.ålder)

[1] "No significant DIF found."

Bransch

Code

RIdifTable(df2, dif.bransch)

[1] "No significant DIF found."

Hemarbete

Code

RIdifTable(df2, dif.hemarbete)

[1] "No significant DIF found."

Inga problem i DIF-analysen baserat på kön, ålder, bransch eller hemarbete.

4.6 Reliability

Code

RItif(df2, lo = -5, hi = 5)

Figur 4.2: Reliabilitet för området Möjlighet att påverka

Reliabiliteten kommer inte riktigt upp i önskad nivå, men eftersom det avsedda användningsområdet enbart är på gruppnivå kan detta vara tillräckligt nära.

4.7 Person fit

Code

RIpfit(df2)

4.8 Item-parametrar

Code

RIitemparams(df2)

	Threshold 1	Threshold 2	Threshold 3	Threshold 4	Item location
mp1	-0.86	0.04	1.21	3.96	1.09
mp2	-1.33	-0.13	0.84	3.33	0.68
mp3	-0.82	-0.62	0.43	2.63	0.4
mp5	-2.37	0.70	1.46	3.75	0.88

4.9 Transformeringstabell

Code

RIscoreSE(df2, width = 50, score_range = c(-4,5))

Ordinal sum score	Logit score	Logit std.error
0	-3.726	1.646
1	-2.316	0.971
2	-1.606	0.765
3	-1.132	0.667
4	-0.757	0.616
5	-0.425	0.589
6	-0.109	0.580
7	0.208	0.581
8	0.537	0.593
9	0.888	0.614
10	1.272	0.645
11	1.710	0.688
12	2.227	0.744
13	2.838	0.807
14	3.531	0.887
15	4.354	1.046
16	5.000	1.264

4.9.1 Estimering av mätvärden

Code

df2$score <- RIestThetas(df2, theta_range = c(-4,5))
write.csv(df2, "scored.csv")
summary(df2$score)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
-2.3163  0.8879  1.7096  1.8079  2.8383  5.0000 

Code

ggplot(
  data = df2,
  aes(x = score, y = 0, fill = factor(score))
  ) +
  geom_dotplot(color = "white", 
                dotsize = 1,
                binwidth = 0.12) +
   # plot mean value
  geom_point(
    aes(
      x = mean(score),
      y = 0
    ),
    size = 6,
    shape = 18,
    color = "black"
  ) +
    # errorbar has brackets at the endpoints
  geom_errorbar(
    aes(
      xmin = mean(score) - sd(score),
      xmax = mean(score) + sd(score),
      y = 0,
      width = 0.025
    ),
    color = "black"
  ) +
  theme_minimal(base_family = "Lato") +
  theme_rise() +
  coord_cartesian(xlim = c(-4,5)) +
  scale_color_viridis_d("Antal svar",
    begin = 0.2,
    aesthetics = c("fill", "color"),
    guide = "none"
  ) +
  labs(
    title = "Mätvärden",
    subtitle = "Värden längre till höger är bättre",
    caption = "Svart diamant indikerar medelvärde, strecken runt indikerar en standardavvikelse.",
    y = "Antal respondenter",
    x = "Mätvärden"
  ) +
  theme(
    #axis.text.x = element_blank(), # remove text from both axes
    axis.text.y = element_blank()
  )

4.10 Rekommenderade items

Code

itemlabels %>% 
  filter(itemnr %in% names(df2)) %>% 
  write_csv("finalItems.csv")

itemlabels %>% 
  filter(!itemnr %in% names(df2)) %>% 
  write_csv("removedItems.csv")

itemlabels %>% 
  kbl_rise(width = 50,
           options = "hover") %>% 
  row_spec(c(4), background = "lightpink") %>% 
  footnote(general_title = "Notera: ",
           "Borttagna item markerade med färg.")

itemnr	item
mp1	Jag har de resurser som behövs för att kunna utföra mina arbetsuppgifter.
mp2	Jag kan prioritera i vilken ordning mina arbetsuppgifter ska utföras.
mp3	Jag har tillräckligt med befogenheter för att kunna utföra mina arbetsuppgifter.
mp4	Jag kan påverka beslut som rör mina arbetsuppgifter.
mp5	Jag kan själv bestämma min arbetstakt.
Notera:
Borttagna item markerade med färg.

4.10.1 Förändringar i svarskategorier

Code

df.omit.na$mp1<-recode(df.omit.na$mp1,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)
df.omit.na$mp3<-recode(df.omit.na$mp3,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)

df.omit.na$mp2<-recode(df.omit.na$mp2,"1=0;2=1;3=2;4=3;5=4",as.factor=FALSE)
df.omit.na$mp5<-recode(df.omit.na$mp5,"2=1;3=2;4=3;5=4",as.factor=FALSE)